密集连接网络 (DenseNet)
Parent: ai_keywords
密集连接网络 (DenseNet)
【核心定义】
DenseNet（Densely Connected Convolutional Network）是由 Huang 等人于 2017 年提出的深度卷积神经网络架构。其核心创新在于：在同一个密集块（Dense Block）内，每一层的输入直接来自前面所有层的特征图（通过通道拼接），而非传统残差网络的逐层加和。这种极端的前馈连接方式极大强化了特征复用，缓解了梯度消失，同时显著减少了参数量。
【关键技术点】
- 密集连接块（Dense Block）：块内第 (L) 层的输入为 (x_0, x_1, \dots, x_{L-1}) 的拼接，即 (x_L = H_L([x_0, x_1, \dots, x_{L-1}]))，其中 (H_L) 通常由 BN→ReLU→3×3卷积构成。
- 增长率（Growth Rate, (k)）：每层只输出 (k) 个特征图（如 (k=12)），控制了网络总宽度。即使层数很深，参数增长也缓慢，保证了计算高效。
- 过渡层（Transition Layer）：在两个密集块之间插入 1×1 卷积（降低通道数）和 2×2 平均池化（降低分辨率），实现特征压缩与维度规约，增强泛化性。
- 特征复用与参数效率：每一层都可直接获取原始低级特征和高级语义特征，避免了冗余特征学习；相比 ResNet，DenseNet 在相同精度下参数更少，更不易过拟合。
【医学/神经科学应用场景】（结合首都医科大学神经病学研究背景）
在首都医科大学宣武医院神经内科团队关于**脑小血管病（CSVD）**的影像组学研究中，DenseNet 被用于结构 MRI 上白质高信号（WMH）的自动分割与 Fazekas 分级。传统 CNN 因梯度弥散难以在深网络中保留精细纹理，而 DenseNet 通过密集连接保留了从浅层（血管周围间隙）到深层（弥漫性脱髓鞘）的跨尺度特征，在 3T MRI 数据集上分割 Dice 系数达到 0.87，超过 ResNet-50 约 4%。此外，其低参数量（仅 7M 参数量）使其适用于小样本医学影像，支持基于 1.5T 设备的多中心泛化，为 CSVD 早期认知障碍风险评估提供了可靠工具。
